4076117.jpg



每當開會時,營銷團隊都會討論不同優化設計的主意。團員都希望自己的意見能夠被採納,但要證明自己的意見的價值,就必須用精確的科學手法測試各種設計的成效,而非只憑直覺推斷。這時候,運用A/B測試(A/B Testing)就可以解決會議室裡的困局。

所謂A/B測試,運用統計學的原理,將兩個變量(Variants)進行假設比較,讓測試者獲得他希望知道的研究結果(e.g. 測試出兩者之間哪一個成效較高),學術上稱為兩母體之假設檢定(Two Sample Hypothesis Testing)。A/B測試假設檢定通常以95%的置信水平(Confidence Level)為檢準,保證測試的精確程度。A/B測試的設定都按測試者所需而定,包括流量百分比,變量,測試時間和測試目標。當測試完畢,測試者可根據結 果選擇使用較好的版本,或再加以優化,分析,和進行多輪測試。

 

變量可以指網頁,廣告或手機應用程式裡的任何一種外觀元素。以網頁為例,我們希望知道黑色還是白色背景的網頁較受歡迎,於是進行 A/B測試比較兩個變量。當訪客進入進行A/B測試的網站,預設的網頁地址(URL)會按照測試者所定的實驗的流量百分比(Percentage of Transfers to Experiment),引導訪客到原始網頁(變量A)或測試網頁(變量B)。

A/B測試可以用於眾多類型的比較上,包括行動召喚(Call to Action,CTA),標題(Headline),表格或網頁顏色,長度,圖片大小,字體等。雖然在設定A/B Testing的時候,並沒有規定我們測試哪一種元素,但想準確評估設計對轉化率(Conversion Rrate)的影響,每次A/B測試只選擇一種元素,似乎更能掌握。

現時A/B測試已經大幅運用於數位營銷當中。搜尋引擎行銷專員(SEM Specialist)或數位分析師(Digital Analyst)都會經常接觸A/B測試,以決定網頁,搜尋廣告,電郵等設計,優化使用者經驗(User Experience)和Lead Generation等 營銷策略。雖然測試原理和方法都非常簡單,但要分析當中變量對設計的影響卻是最困難的部分。如果對結果有誤解,將會影響往後的優化。由於A/B測試限制變 量的數目,測試者可能需要多番測試去確定優化方向。而過多的A/B測試可能會影響之後的數據質素,而之前的測試結果也不能完全運用於其他結果當中進行推 論。為解決變量限制,營銷專員想出另一種測試方式-多變量測試(Multivariate Testing)。

延伸閱讀
什麼是Lead Generation?

學會REAN Model,市場分析再沒有難度

怎樣做Marketing Analytics最好?

 

    Benjamin CHOW 發表在 痞客邦 留言(0) 人氣()